基于改进E-Efficie...Net的古陶瓷纹饰分类模型_杨云.pdf

ISSN 1006 7167CN 31 1707/TESEACH AND EXPLOATION IN LABOATOY第 42 卷 第 2 期Vol42 No22023 年 2 月Feb 2023计算机技术应用DOI:10 19927/j cnki syyt 2023 02 027基于改进 E-EfficientNet 的古陶瓷纹饰分类模型杨云a，陈佳宁a，王秀峰b，周瑶a(陕西科技大学 a 电子信息与人工智能学院;b 材料科学与工程学院，西安 710021)摘要:为进一步提高古陶瓷纹饰分类精度，提出一种基于改进 EfficientNet 的古陶瓷纹饰分类模型。该模型通过引入高效率注意力机制(ECA)模块改进原主干网络EfficientNet-B0，有效捕获通道间的交互信息，利用跳跃连接在特征提取的最后一层加入 ECA 模块，获得古陶瓷纹饰注意力特征图，并利用迁移学习和 Adam 优化算法在古陶瓷纹饰数据集上进行实验验证。结果表明，改进后的 E-EfficientNet 模型在古陶瓷纹饰数据集上的识别准确率达到了 99 26%，较改进前提高了 2 48%;与同类轻量化模型 ShuffleNet-V2 和 MobileNet-V3 对比，识别准确率分别提高了2 10%和 2 91%;与其他经典模型 VGG、esNet 对比，不仅参数量大幅度减少，识别准确率均明显提高，可有效用于古陶瓷纹饰分类。关键词:古陶瓷纹饰分类;高效率注意力机制;跳跃连接中图分类号:TP 183;TP 394 1文献标志码:A文章编号:1006 7167(2023)02 0129 06收稿日期:2022-06-18基金项目:国家自然科学基金项目(61971272);国家重点研发计划重点专项项目(2019YFC1520204);国家自然科学基金青年科学基金项目(61601271);陕西省教育厅专项科研计划项目(15JK1086)作者简介:杨云(1965 )，女，山东青岛人，博士，教授，研究方向为图像处理与智能信息处理。Tel:[phone];E-mail:yangyun11163 comClassification Model of Ancient Ceramic OrnamentationBased on Improved E-EfficientNetYANG Yuna，CHEN Jianinga，WANG Xiufengb，ZHOU Yaoa(a College of Electronic Information and Artificial Intelligence;b College of Materials Science andEngineering，Shaanxi University of Science Technology，Xi an 710021，China)Abstract:In order to further improve the classification accuracy of ancient ceramics ornamentation，an improved E-EfficientNet classification model of the ancient ceramic decoration is proposed The model by introducing of highlyEfficient Attention ECA(Efficient Channel Attention)module can improve the original EfficientNet-B0 backbonenetwork The interaction information between channels is effectively captured，and ECA module is added to the last layerof feature extraction by using residual connection to obtain the attention feature map of ancient ceramic decoration Themigration study and Adam optimization algorithm are used in ancient ceramics decoration experiment datasetsExperimental results show that the E-EfficientNet model of ancient ceramics ornamentation datasets，on the recognitionaccuracy，reaches 99 26%，increases by 2 48%compared to traditional method Comparison with similar lightweightmodels Shufflenet-v2 and Mobilenet-v3，recognition accuracy increases by 2 10%and 2 91%，respectively Comparedwith other models such as VGG，esNet，the method not only greatly reduces parameters，but also improves theidentification accuracy It is concluded that the E-EfficientNet can be effectively used in the classification of ancientceramics ornamentationKey words:classification of ancient ceramic ornamentation;efficient channel attention(ECA);residual connection第 42 卷0引言我国的古陶瓷器具有相当悠久的历史，纹饰作为陶瓷器最直观的组成部分，不仅色彩绚丽，形式多样，更蕴含着我国古代丰富的历史文化内涵，陶瓷器纹饰图案主要分为人纹、动物纹和植物纹等1。不同时期、不同产地的古陶瓷器刻画了不同的风土人情，对古陶瓷表面纹饰的识别研究，有利于现代考古研究和推动古陶瓷纹饰数字化进程。传统古陶瓷纹饰分类方法主要包括特征提取和分类器构建。张静等2 利用局部二值模式和方向梯度直方图提取古陶瓷蕉叶纹的融合特征，利用支持向量机(Support Vector Machine，SVM)进行分类。朱清等3 针对青花瓷图像的颜色特征，提出 HSV 颜色空间(Hue Saturation Value)多阈值分割量化方法，利用 K近邻算法(K-Nearesit Neighbor，KNN)实现青花瓷自动分类。吴隽等4 对比5 种不同的边缘算子对同一陶瓷纹饰样本进行边缘检测的效果，得出 Sobel 算子最有利于陶瓷纹饰边缘特征提取。翁政魁等5 结合古陶瓷(Hue Saturation Intensity，HSI)颜色直方图特征和局部二值模式(Local Binary Patten，LBP)纹理特征实现古陶瓷的无损分类识别。Mu 等6 利用 Tamura 纹理特征对古陶瓷纹饰特征进行提取、量化。Smith 等7 用颜色直方图表征颜色特征，提出一种新的描述纹理特征的方式，结合尺度不变特征转换(scale-InvariantFeature Transform，SIFT)共同提取纹理特征，实现对陶瓷碎片的分类。asheed 等8 提出基于灰度共生矩阵(Gray Level Cooccurrence Matrix，GLCM)提取古陶瓷碎片的纹理特征的算法，根据欧式距离对古陶瓷碎片纹饰进行分类。上述采用传统的机器学习方法，关注古陶瓷纹饰的颜色、轮廓等底层特征，存在识别准确率低和识别速度慢等不足。相比于传统的机器学习方法，深度学习使用卷积神经网络对图像进行自动学习并提取其深层特征。近年来，许多学者将深度学习用于陶瓷的识别分类和断源断代上。冯金牛等9 使用 AlexNet 模型作为基础网络，实现对古陶瓷样本图像的特征自动提取和分类。曹旭明10 使用 MobileNet 作为特征提取网络，结合 YOLOv3 多尺度预测模块构建日用陶瓷分类网络，实现对日用陶瓷用品分类。Debroutelle 等11 使用 3D 激光扫描仪获取古陶瓷浮雕图案的深度图，用自适应阈值获得图案显著区域的二值模式，输入 SVM进行分类。上述方法证明了将深度学习应用于古陶瓷纹饰分类的可行性和有效性，但仍有进一步提升的空间，例如大多数卷积神经网络参数量大，计算难度高。为更精准获取古陶瓷纹饰的深层特征，进一步提高古陶瓷纹饰分类的准确率，本文提出一种改进的基于轻量化网络 EfficientNet12 的古陶瓷纹饰分类方法，引入高效率注意力机制(Efficient Channel Attention，ECA)13，并利用迁移学习的策略和 Adam 优化算法对模型进行训练，使网络更加关注古陶瓷纹饰之间的差异，实现古陶瓷纹饰的自动分类。1古陶瓷纹饰分类模型构建1 1EfficientNet 网络EfficientNet 是 2019 年提出的一种新型模型，与以往的网络不同，例如 esNet、MobileNet、AlexNet 等大多数网络通过单一地扩展模型深度、宽度以及输入图像的分辨率来提升网络性能。而 EfficientNet 基于组合缩放方法(compound scarling method)通过固定复合缩放系数，同时调整网络深度 d、宽度 w 的输入图像的分辨率 r 来提升效率，解决以往仅扩展单个维度而使网络效率达到饱和的问题d=r=222(1)式中:为复合缩放系数;、分别为网络深度、宽度、分辨率的缩放基数，均为常数。且 1、1、1，通过固定式中的复合缩放系数 =1，进行网格搜索(grid search)得出最佳参数、得到基准模型EfficientNet-B0。固 定 参 数、，在 基 准 模 型EfficientNet-B0 基础上使用不同的复合缩放系数，分别得到不同的模型 EfficientNet-B1 到 EfficientNet-B7。1 2改进的 EfficientNet 分类模型古陶瓷器表面的纹饰图案形式多样、内容丰富，例如龙纹、花纹、人物纹等通常不会单独出现，而是与其他种类的纹饰相伴随，背景较为复杂。综合考虑分类准确率和网络模型的参数量，本文选择轻量化、高效率的 EfficientNet-B0 作为古陶瓷纹饰分类的基础网络。该网络模型由卷积核为 3 3 的卷积层、卷积核为 1 1 的卷积层、全连接层、全局平均池化层以及 16 个移动倒 置 瓶 颈 卷 积 模 块(Mobile inverted BottlenneckConvolution，MBConv)构成。MBConv 卷积块由 2 个卷积核为 1 1 的普通卷积层，深度可分离卷积层(Depthwise Separable Convolutions)、SE 模块(Squeeze-and-Excitation)和 Dropout 层构成。SE 模块是一种通道注意力机制，更加关注信息量大的通道特征，包含一个全局平均池化层(Global Average Pooling，GAP)，2 个全连接层，第 1 个全连接层的激活函数为 Swish、第 2个全连接层的激活函数为 Sigmod。MBConv 卷积块结构如图 1 所示。本文分别从 EfficientNet 的整体结构、主要模块方031第 2 期杨云，等:基于改进 E-EfficientNet 的古陶瓷纹饰分类模型面对 EfficientNet 模型进行了改进和优化，以提高神经网络识别分类的效率，在数据集上获得更好的分类精度。ECA 模块是一种高效通道注意力模块，ECA 模块的结构图如图 2 所示。图 1MBConv 卷积块结构图图 2ECA 模块结构图输入的特征图像经过全局平均池化后，通过快速一维卷积生成通道注意力，其卷积核 k 可由通道维数C 的非线性映射自适应确定，同时 k 也代表了局部跨信道交互的覆盖率，即该通道附近有 k 个邻居共同参与信道的注意力预测。与 SE 模块相比，ECA 模块避免了降维给通道注意带来的副作用，降低了模型难度，避免了 SE 模块中2 个全连接层带来的巨大参数量，同时有效地捕获跨通道交互的信息。一维卷积核的大小k=(C)=lb C+bodd(2)式中:C 为通道数;kodd表示取奇数;=2，b=1 用于改变通道数 C 和卷积核大小之间的比例。本文用ECA 模块来替换 MBConv 中的 SE 模块，进一步提升对特征图像通道权重的学习性能，使分类网络能更加关注到古陶瓷纹饰图像的有效信息。将改进后的移动倒置瓶颈卷积模块命名为 EMBConv，改进后的 EMBConv如图 3 所示。图 3改进后的 EMBConv 卷积块结构图本文将 ECA 模块通过跳跃连接的方式嵌入特征提取基础网络 EfficientNet 的最后一层卷积层之后，使网络更加关注感兴趣区域即古陶瓷纹饰图案的区域，减少背景等干扰区域的影响，得到经过 ECA 模块增强后的注意力特征图。EfficientNet 网络虽然能够平衡网络的深度、宽度和输入图像分辨率 3 个维度，自适应拓展网络性能，但移动倒置瓶颈卷积模块的内部结构较为复杂，对硬件的计算能力有较高的要求，且 EfficientNet 网络在百万级数据集上实现了当前图像分类网络的最佳精度，本文在进行古陶瓷纹饰识别分类时，使用的是自制数据集。因此，本文利用迁移学习获得预训练权重作为网络的初始权重，防止 EfficientNet 在小数据集上过度拟合。如 图 4 为 本 文 提 出 的 改 进 轻 量 化 网 络 E-EfficientNet 网络结构示意图。将经过图像增强、正则化等预处理得到的 H W C 为 224 224 3 的古陶瓷纹饰图像输入该网络模型，首先经过一个卷积核为3 3 的普通卷积层对通道进行升维，得到 224 224 图 4E-EfficientNet 网络模型结构图131第 42 卷32 的古陶瓷纹饰特征图，随后经过 16 个改进的EMBConv 模块和卷积核为 1 1 的卷积层进行深层纹饰特征提取，将得到的 7 7 1 280 的特征图输入跳跃连接的 ECA 模块进而提取纹饰注意力图，最终经过全局平均池化层和全连接层实现古陶瓷纹饰分类。2数据集本文使用的古陶瓷纹饰数据均来自故宫博物院、台北博物院官网。采集到的古陶瓷纹饰图像种类分为凤纹、花纹、龙纹、人物纹、山水纹、鱼纹、规则纹 7 类，共计 3 168 张。由于公开的古陶瓷纹饰数据集较少，基于深度学习的网络模型在训练的过程中需要大量的样本来学习图像的深层特征，实现古陶瓷纹饰的分类。为丰富古陶瓷纹饰数据集，更好地提取古陶瓷纹饰特征，防止模型出现过拟合，对采集到的纹饰图像进行数据增强操作，将原始纹饰数据集处理为 224 224像素的图像，使用以下方式进行数据增强:(1)翻转，对图像进行水平或者垂直方向翻转。(2)改变色温。(3)添加随机像素。(4)亮度调整。(5)色度调整。(6)对比度调整。(7)强化边缘 7 种方法扩充数据集。图 5 所示为部分纹饰图像数据增后的效果，分别为原图、添加随机像素、亮度调整、改变色温、对比图调整。(a)原图(b)随机像素(c)亮度(d)色温(e)对比度图 5数据增强示例图扩充后的古陶瓷纹饰数据集共计 20 887 张，按照不同种类的纹饰对数据集进行标注，将凤纹、花纹、龙纹、人物纹、山水纹、鱼纹和规则纹分别标记为 0、1、2、3、4、5、6。将古陶瓷纹饰数据集按照 82 的比例划分训练集和测试集。最后对数据集进行正则化将图像映射到(0，1)之间，输入网络模型进行训练，古陶瓷纹饰数据集信息统计见表 1。表 1古陶瓷纹饰数据集各类样本数量统计类别标签原始数据样本量扩充后数据样本量凤纹02433 061花纹15752 780龙纹27913 157人物纹34373 206山水纹45543 014鱼纹51182 727规则纹64502 9423实验结果及分析3 1实验环境与参数设置本实验在 64 bit Windows10 操作系统、CPU Intel()Core(TM)i5-7300HQ CPU 2 50GHz 2 50GHz、GPU NVIDIA GeForce GTX1070 下，利用深度学习 PyTorch1 1 框架搭建网络模型，CUDA 版本为11 0，cudnn 版本为 8 0。为提高模型训练的效率，采用迁移学习的策略，利用在大型公开数据集 ImageNet14 上训练好的权重进行迁移训练。批处理大小设置为 32，共迭代 60 个批次。3 2Adam 优化算法为防止网络模型在训练过程中陷入局部最优，本实验采用 Adam15 优化器对古陶瓷纹饰分类模型进行训练优化，Adam 优化算法综合考虑梯度的一阶矩估计和二阶矩估计动态调整参数学习率:gt=J(t1)mt=1mt1+(1 1)gtvt=2vt1+(1 2)g2t vt=vt1 t2 m=mt1 t1t=t1 mt vt+(3)式中:gt为 t 时刻的梯度;mt为对梯度的一阶矩估计;t为对梯度的二阶矩估计;vx、mt分别为 vr、mt的偏置矫正;为要求解的参数;1、2为指数衰减率。1控制当前梯度和动量的权重分配、2控制之前的梯度平方的影响，1=0 9，2=0 999，初始学习率 =0 001，=108。3 3实验评价指标本实验选用准确率(Accuracy)，F1值(F1-sorce)和混淆矩阵 3 个指标来评估古陶瓷纹饰分类模型的性能。准确率是最重要的分类评价指标，是指在全体样231第 2 期杨云，等:基于改进 E-EfficientNet 的古陶瓷纹饰分类模型本中，预测正确的概率为Accuracy=TP+TNTP+TN+FP+FN(4)式中，TP、FP、FN、TN 分别为真阳性、假阳性、假阴性、真阴性。F1值是综合精确率(Precision)和召回率(ecall)的评价指标为F1=2AccuracyecallPrecision+ecall(5)式中:精确率(Precision)是指在预测为正的所有样本中实际为正的概率;召回率(ecall)是正样本被准确预测的概率。Precision=TPTP+FPecall=TPTP+FN(6)混淆矩阵是一种常见的分类模型评价指标，包含所有类别的预测结果和真实结果，可直观地看到不同类别之间的误分情况。利用混淆矩阵作为古陶瓷纹饰分类的评价指标。3 4结果与分析3 4 1E-EfficientNet 分类性能本文所提 E-EfficientNet 的模型，采用上述实验设置对分类模型进行训练，如图 6 所示是 E-EfficientNet模型的训练损失和验证损失曲线图。由图可见，在前10 次迭代过程中，损失值能较为快速下降，当迭代次数超过 30 次时，验证损失值 Loss 逐渐趋于平稳。训练损失在第 55 次迭代时基本保持不变，达到饱和。图 6训练损失和测试损失曲线表 2 所示为 E-EfficientNet 纹饰分类模型在测试集上的混淆矩阵，混淆矩阵的横、纵坐标分别为各个类别的预测标签和真实标签，对角线上的数据为各类别被准确预测的样本数量，对角线上的样本数量越大，模型的识别准确率越高。由表可见，E-EfficientNet 模型在古陶瓷纹饰分类测试集上表现良好，且识别率达到99%以上。为验证本文所提模型有效性，设计了对比实验，实验结果见表3。对比实验分别设置为:EfficientNet-B0表 2E-EfficientNet 识别古陶瓷纹饰混淆矩阵真实类别预测标签01234560608000004105560000026061400563000641000400116010054002053906002000586网络;在 EfficientNet-B0 网络的基础上使用 Adam 优化算法;将主干网络更换为改进的 EMBConv 模块并利 用 Adam 算 法 进 行 优 化;本 文 方 法。与EfficientNet-B0 网络相比，改进后的 E-EfficientNet 模型的识别准确率提高了2 48%，F1值提高了 3 87%。由表 3 中实验 1、2 对比可见，利用 Adam 优化器进行模型优化的效果优于原网络中使用的 SGD 优化器，使模型识别准确率提高了 0 17%。由表 3 中实验 2、3 对比可见，在主干网络的基础模块 MBConv 中使用 ECA注意力机制，可获得比原网络模块更好的注意力效果，使实验 3 比 2 的识别准确率提高了1 69%。由表 3 中实验 3、4 对比可知，本文提出的在特征提取的最后一个卷积层后添加以跳跃方式连接的 ECA 注意力机制相较于未添加时，识别准确率提高了 0 62%。通过上述的对比，表明了本文提出的改进方法是有效的。表 3模型改进对比实验结果实验序号模型准确率Accuracy/%F1-sorce/%1EfficientNet-B0967895252EfficientNet-B0+Adam969595133EfficientNet-B0+Adam+(ECA)986497494E-EfficientNet992699123 4 2同类模型对比实验为进一步验证 E-EfficientNet 的分类性能，在训练参数一致的条件下，与其他经典分类模型 esNet16、VGG17、MobileNet-V318、ShuffleNet-V219 进行对比实验。表 4 为不同模型在古陶瓷纹饰数据集上的性能对比实验结果。由表 4 可知，改进的 E-EfficientNet 在古陶瓷纹饰数据集上的识别准确率达到了 99 26%，高于 esNet50、VGG16、MobileNet-V3 和 ShuffleNet-V2，且 参 数 量 仅 有 5 37MB，远 小 于 esNet50 和VGG16。虽然 MobileNet-V3 和 ShuffleNet-V2 的参数量低于改进的 E-EfficientNet，但是 E-EfficientNet 的识别331第 42 卷准确率和 F1值比 MobileNet-V3 提高了 2 91%和3 27%，比 ShuffleNet-V2 提高了 2 10%和 2 43%。在实际应用中，识别准确率是最重要的指标，因此 E-EfficientNet 仍然具有优势。表 4同类模型性能对比实验结果模型Accuracy/%F1-sorce/%参数量 106esNet509546940823 71VGG1695879467138 36MobileNetV3963595852 54ShuffleNetV2971696693 04E-EfficientNet992699125 37为更直观地对比各模型的性能，绘制了如图 7 所示的各模型在训练过程中的损失曲线和如图 8 所示的各模型的识别准确率曲线。由图 7 可见，改进的 E-EfficientNet 模型与其他模型相比，收敛速度更快、损失值 Loss 更小。由图 8 可见，E-EfficientNet 模型的识别准确率均高于其他分类模型。综上所述，本文提出的针对古陶瓷纹饰分类的 E-EfficientNet 模型具有识别准确率高、参数量小的性能优势。图 7各模型训练损失曲线图图 8各模型识别准确率曲线图4结语本文针对古陶瓷纹饰分类数据集，提出一种基于改进的轻量化网络 E-EfficientNet 的古陶瓷纹饰分类模型，本文主要创新如下:(1)提出将有效注意力机制 ECA 模块替换原网络 MBConv 中的 SE 注意力机制，在有效提升通道注意力同时降低参数量，降低模型计算难度。(2)在网络特征提取的最后一个卷积层后加入ECA 注意力机制，获得古陶瓷纹饰深层注意力特征图。(3)利用迁移学习和 Adam 优化器进行优化训练，提升了分类模型的泛化能力。通过对模型的仿真对比分析，E-EfficientNet 网络在自制的古陶瓷纹饰数据集上能够有效的实现古陶瓷纹饰的识别分类，识别准确率达到 99 26%，F1值达到99 12%。与其他经典分类模型相比，改进的 E-EfficientNet 网络具有较低的参数量和较高的识别准确率，可有效用于古陶瓷纹饰识别分类。参考文献(eferences):1薛野 论中国原始彩陶纹饰对现代陶瓷装饰设计的借鉴意义 J 中国陶瓷，2009，45(7):67-702张静，周强，王莹，等 元明清陶瓷蕉叶纹纹饰的特征 J 硅酸盐学报，2020，48(9):1373-13813朱青，崔雪霏 基于 HSV 阈值量的青花瓷纹饰分类研究J网络新媒体技术，2015，4(6):48-544吴隽，洪俊，张茂林，等 古陶瓷纹饰数字化过程中图像边缘提取的 Matlab 算子选择J 中国陶瓷，2016，52(4):112-1165翁政魁，管业鹏，罗宏杰 基于机器视觉古陶瓷无损分类识别 J 硅酸盐学报，2017，45(12):1833-18426Mu T，Wang F，Wang X，et alesearch on ancient ceramicidentification by artificial intelligenceJ Ceramics International，2019，45(14):18140-181467Smith P，Bspalov D，Shokoufandeh A，et alClassification ofarchaeological ceramic fragments using texture and color descriptors C/Computer Vision and Pattern ecognition Workshops SanFrancisco:IEEE，2010:49-548asheed N，Nordin M Archaeological fragments classification basedon GB color and texture featuresJ Journal of Theoretical andApplied Information Technology，2015，3076(3):358-3659冯金牛，周强，张瑞瑞，等 基于卷积神经网络的中国古陶瓷智能断代研究 J 陶瓷学报，2022，43(1):145-152 10曹旭明 日用陶瓷多类型多目标识别与双目定位研究D 景德镇:景德镇陶瓷大学，2021 11Debroutelle T，TreuilletS，ChetouaniA，etalAutomaticclassification of ceramic sherds with relief motifsJ Journal ofElectronic Imaging，2017，26(2):2301-2314 12Tam M，Le Q VEfficientNet:ethinking model scaling forconvolutional neural networksC/36th International Conference onMachine Learning Long Beach:ACM，2019:6105-6114 13Wang Q，Wu B，Zhu P，et al ECA-net:Efficient channel attentionfordeepconvolutionalneuralnetworks C/ConferenceonComputer Vision and Pattern ecognitionWashington:IEEE，2020:11531-11539 14Jia D，Wei D，Socher，et alImageNet:A Large scalehierarchical image databaseC/Computer Vision and Patternecognition Miami:IEEE 2009:248-255(下转第 186 页)431第 42 卷取船舶运动信息(可自动录入传感器测得的压力，倾角数据，得到姿态稳定时的船舶的姿态和进水状态数据14)。采集控制界面如图 9 所示。图 8搁浅实验测力点坐标分布情况图 9数据采集界面数据处理界面，学生们输入手动输入参数后，快速计算得到舱室的进水量、船舶的平均吃水以及新的稳性高，搁浅力大小及作用点，搁浅损失稳性高。3结语设计了船舶静力学综合教学实验平台，平台包含船舶模型和教学软件，模型装配倾角、水深、加速度传感器和截止阀等设备，配合教学软件设定与读数可实现船舶静力学中静稳性、破舱稳性和搁浅稳性教学。教学平台功能齐全操作简单，投入教学后效果较好，可促进学生对理论知识的理解，对增强学生动手实践能力和分析解决问题能力有一定提高。参考文献(eferences):1金永明 新时代中国海洋强国战略治理体系论纲J 中国海洋大学学报(社会科学版)，2019(5):22-302王泽宇，崔正丹，孙才志，等 中国海洋经济转型成效时空格局演变研究 J 地理研究，2015，34(12):2295-23083盛振邦 船舶原理 M 上海:上海交通大学出版社，20034刘志华，熊鹰，叶金铭 船舶静力学课程教学实验设计 J 实验科学与技术，2016，14(2):85-875任凯，浦金云，李营 船舶装载对初稳性影响的实验教学模型J 实验室研究与探索，2014，33(7):180-1846夏齐强，朱韬，朱军 舰船稳性与破损稳性要求J 船舶工程，2019，41(6):30-357冯明奎，钟成雄 船舶坐滩搁浅后的稳性研究J 江苏船舶，2001(3):14-168于博文，张维英，陈静，等 基于 CFD 的渔船破舱进水时域模拟及破舱稳性和压强分布研究J 大连理工大学学报，2021，61(4):355-3679刘竹琴 基于“分组同伴互助”教学法的近代物理实验教学研究 J 实验技术与管理，2019，36(4):25-26 10邹忠胜“船舶稳性”定义的预备知识及教学J 珠江水运，2020(10):112-113 11张恭 船舶破舱状况特性分析D 上海:上海交通大学，2011 12祁恩荣，崔维成 船舶碰撞和搁浅研究综述J 船舶力学，2001(4):67-80 13潘德位，林成新，孙德平，等 大倾角搁浅船舶扳正过程分析J交通运输工程学报，2015，74(2):50-58 14王帆 船用小型姿态测量系统研究与设计 D 哈尔滨:哈尔滨工程大学，2008(上接第 134 页)15Kingma D，Ba J Adam:A method for stochastic optimization C/3rd International Conference on Learning epresentationsSanDiego:ICL，2015:1-15 16He K，Zhang X，en S，et al Deep residual learning for imagerecognitionC/29th IEEE Conference on Computer Vision andPattern ecognition Las Vegas:IEEE 2016:770-778 17Simonyan K，Zisserman A Very deep convolutional networks forlarge-scale image recognitionEB/OL (2014-12-19)2021-08-10 https:/arxiv org/abs/1409 1556 18Howarf A，Sandler M，Chu G，et al Searching for mobilenetv3C/17th IEEE International Conference on Computer Vision(ICCV 2019)Seour:IEEE，2019:1314-1324 19Zhang X，Zhou X，Lin M，et al Shufflenet:An extremely efficientconvolutional neural network for mobile devices C/Conference onComputer Vision and Pattern ecognition Salt Lake:IEEE，2018:6848-6856名人名言一个人在科学探索的道路上，走过弯路，犯过错误，并不是坏事，更不是什么耻辱，要在实践中勇于承认和改正错误。爱因斯坦681